一种基于差分演化的粒子滤波算法

针对粒子滤波(Particle Filter, PF)存在的粒子退化和贫化问题,该文提出一种基于差分演化(Differential Evolution, DE)的PF算法。首先,为了充分利用最新的观测信息,采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)来产生重要性分布,对重要性分布产生的采样粒子不再做传统重采样操作,而是直接把采样粒子当作DE中的种群样本,粒子权重作为样本的适应函数,对粒子做差分变异、交叉、选择等迭代优化,最后得到最优的粒子点集。试验结果表明,该算法有效缓解了传统PF算法中的粒子退化和贫化,提高了粒子的利用率,具有较好的估计精度。     

自适应平方根球型无迹卡尔曼滤波算法

针对传统无迹卡尔曼滤波器存在跟踪精度低、数值稳定性差、鲁棒性弱等缺点, 提出了一种基于球型无迹变换的自适应平方根UKF滤波算法（Adaptive Square Root UKF Filtering Algorithm Based on Spherical Unscented Transform, ASRS-UKF）。该算法在标准的平方根UKF算法上,首先改用了球型无迹变换对权系数以及sigma点进行计算选取;其次改进了平方根UKF中平方根矩阵的分解方法;同时在预测误差协方差矩阵中引入了自适应衰减因子。最后,通过将该算法同平方根UKF以及强跟踪UKF算法进行仿真对比,结果表明,ASRS-UKF算法在减少计算量、加快计算速度的同时还提高了滤波精度和稳定性,而且对于系统模型匹配不佳的情况下,仍具有良好的跟踪性能。     

高斯和高阶无迹卡尔曼滤波算法

为了提高非线性变换的近似精度,提出了一种高阶无迹变换（High order Unscented Transform,HUT）机制,利用HUT确定采样点并进行数值积分去近似状态的后验概率密度函数,建立了高阶无迹卡尔曼滤波（High-order Unscented Kalman Filter,HUKF）算法.进一步的为了解决非线性、非高斯系统的状态估计问题,将HUKF与高斯和滤波（Gaussian Sum Filter,GSF）相结合,提出了一种高斯和高阶无迹卡尔曼滤波算法（Gaussian Sum High order Unscented Kalman filter,GS-HUKF）,该算法的核心思想是利用一组高斯分布的和去近似状态的后验概率密度,同时针对每一个高斯分布采用高阶无迹卡尔曼滤波算法进行估计.数值仿真实验结果表明,提出的HUT机制与普通的无迹变换（Unscented Transform,UT）相比,具有更高的近似精度;提出的GS-HUKF与传统的GSF以及高斯和粒子滤波器（Gaussian Sum Particle Filter,GS-PF）相比,兼容了二者的优点,即具有计算复杂度低和估计精度高的特性.     

基于李群的无迹卡尔曼滤波视觉SLAM算法

视觉SLAM算法的理论框架已经十分完备,但是在实际应用中导航准确性还有待改善.基于此问题,提出了基于李群的无迹卡尔曼滤波(UKF?LG)视觉SLAM算法,优化了传统无迹卡尔曼滤波(UKF)的系统状态,把UKF的系统状态用李群表示,并构建视觉惯性紧耦合模型.在Euroc数据集下对包含该算法在内的5种滤波法进行了仿真对比,...     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

基于平方根无迹卡尔曼滤波的数字预失真算法

射频功率放大器工作在近饱和点时产生的非线性效应是制约其性能提升的主要因素.提出了一种基于非线性无迹卡尔曼滤波的数字预失真算法,可有效克服此非线性效应的影响.针对预失真算法的状态方程为线性的特点,优化了无迹卡尔曼滤波算法以提高运算效率.仿真结果表明,所提算法性能优于传统的基于最小均方的数字预失真算法.     

基于自适应无迹卡尔曼滤波的四旋翼无人机姿态解算

无人机在航姿模式下飞行时,姿态角误差波动较大,根据磁力计、加速度计和陀螺仪的互补性特点,提出一种自适应无迹卡尔曼滤波(AUKF)算法对MEMS传感器数据进行优化求解：以姿态四元数和陀螺漂移为状态量,加速度计和磁力计测量值为观测量,采用梯度下降法优化无迹卡尔曼滤波的关键参数,即过程噪声协方差,以提高四旋翼无人机姿态解算精度。对实际飞行数据的分析表明：分别与常规卡尔曼滤波和传统无迹卡尔曼滤波算法相比,该方法精度最高,可确保小型无人机在各种情况下飞行的稳定性。     

基于霍夫-无迹卡尔曼滤波的目标检测与跟踪

采用霍夫变换法对雷达目标进行起始,解决了机动目标的非线性强的问题,得到精确的航迹起始初值信息,并将初值信息作为无迹卡尔曼滤波目标跟踪的初始输入,实现对机动目标的跟踪。较其它的算法,霍夫-无迹卡尔曼滤波具有更高的精度。实验仿真,证明了其有效性。     

基于差分演化算法的FBG参数重构技术

文章提出了一种基于差分演化算法的光纤布拉格光栅(FBG)参数重构技术.基于均匀FBG的目标反射谱,可利用差分演化算法寻找一组光栅参数,根据这组参数计算得到的反射谱与目标反射谱偏差最小,该组参数即为重构的光纤光栅参数.数值实例表明,差分演化算法计算效率高,结果精确,是一种实用的参数重构方法.     

自适应差分演化粒子滤波器

针对非线性、非高斯系统中的粒子滤波算法存在粒子权值退化和重采样后引起样本枯竭问题,提出一种自适应差分演化粒子滤波算法。用一种自适应参数控制策略对差分演化算法的参数进行控制,并以此代替粒子滤波中的重采样算法。通过对状态更新后的粒子做自适应差分变异、自适应杂交和选择等优化操作,利用权值大小选出下一时刻的粒子集合。实验表明,该算法能有效缓解粒子权值退化和样本枯竭问题,缩短算法运行时间,提高估计精度,同一般的差分演化粒子滤波算法相比,状态估计的精度更高。     

卡尔曼滤波算法研究

对卡尔曼滤波的起源和发展进行了简述,然后对标准卡尔曼滤波的定义和模型进行了回顾,重点对近似二阶扩展卡尔曼滤波、扩维无迹卡尔曼滤波和自适应卡尔曼滤波等3种最新改进型的卡尔曼滤波算法进行了详细阐述,最后对这3种新改进型的卡尔曼滤波算法的优缺点进行了对比分析,对各自的适用领域和场景进行了说明.     

电子档案信息化数据自适应无迹卡尔曼滤波降噪算法

针对降噪过程极易丢失原始数据,产生粗大误差后数据的噪声协方差初始值偏差的问题,研究了电子档案信息化数据自适应无迹卡尔曼(Kalman)滤波降噪算法。电子档案信息化架构包含数据层、业务层、用户层,数据层根据用户层的用户数据请求,完成电子档案信息化数据预处理、决策、监测、分析等,通过拉以达(Laida)准则对电子档案信息化数据提出假设,获取标准偏差概率,确定区间剔除粗大误差,应用Sage-Husa滤波器估计剔除粗大误差后数据的噪声协方差、抑制初始值偏差,最大限度地保留其原始数据,利用无迹卡尔曼算法,实时估计电子档案信息化数据的未知噪声特性,完成电子档案信息化数据降噪,并通过虚拟感应服务连接数据层、用户层、业务层,在业务层呈现用户所需电子档案信息。实验结果表明,该算法能够有效去除电子档案信息化数据的多种噪声,并保留有效数据。     

基于旋转学习机制的差分演化算法

为克服反向学习机制仅能搜索反向空间中一个固定点的弊端,通过引入旋转操作将其扩展为一种新的旋转学习机制,新机制通过调整旋转角度能搜索旋转空间中的任意一点,具备更强的勘探能力和多种应用模式.通过嵌入旋转学习算子,并引入参数自适应机制,提出了新的基于旋转学习的差分演化算法.在广泛使用的测试函数集上开展仿真实验,结果验证了旋转学习机制的有效性,与多种知名差分演化算法相比,新算法在寻优性能上竞争优势明显,且具有良好的适用性.     

基于无迹卡尔曼滤波估计的无线传感器网络时钟分辨率优化

在无线传感器网络(WSN)节点的无线电关闭期间,用以维护系统时钟的硬件定时器中断请求(IRQ)是微控制单元(MCU)能耗的重要来源,此时中断频率对WSN节点总能耗影响较大。该文提出一种基于无迹卡尔曼滤波(UKF)估计的时钟分辨率优化方法,根据协议的时间特性来切换中断高低频率。在休眠期间切换到低分辨率,需要唤醒时先通过UKF获得高分辨率计时开始时间的最优估计,再通过分辨率渐变的定时器中断的线性组合来进入高分辨率计时。对Tmote平台的ContikiMAC协议进行的仿真实验中,在无线电占空比(RDC)为0.53%的情况下,所提方法比原始协议总能耗下降28.85%。

     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于改进差分演化的高效图像分割算法

差分演化算法的实现简单有效,但其搜索能力较弱,对此提出一种基于贝塔分布的控制参数动态设置策略以提高差分演化的优化效果,并将其应用于图像分割问题。首先,将图像的直方图按强度分为两类,并按类内方差、类间方差与总方差总结为待优化的目标函数;然后,使用改进的差分演化算法搜索图像分割目标函数的最优解,其中在每轮迭代中使用贝塔分布动态的设置控制参数。仿真实验表明,该方法获得了较好的优化结果,并获得了较好的图像分割效果。     

基于多自适应算子的改进差分进化算法

差分进化(DE)算法是一种原理简单且性能优良的智能算法。因其涉及参数较少、计算结果精确性较高、鲁棒性较强,在实际应用中被广泛使用。但DE算法容易陷入局部最优解,且种群变异速度与结果依赖于变异和交叉参数设置。因此,文中提出一种自适应改进差分进化算法,通过控制初始化种群和自适应参数,有效提升了算法的寻优能力。将该算法在十一个测试函数上进行测试,并与四种具有代表性的算法(CLPSO、DE、jDE、SDE)进行比对,结果表明,该算法在问题求解准确度上具有优势,并显示出了较好的鲁棒性。     

一种基于无迹卡尔曼滤波和炮弹运动轨迹模型的落/发点外推新算法

炮弹弹道外推算法是决定炮位侦察校射雷达性能的关键因素之一。针对运动轨迹滤波方法、弹道模型误差、参数估计误差等导致的定位精度低的问题,提出了一种基于无迹卡尔曼滤波和炮弹运动轨迹模型的落/发点外推新算法。该算法首先选择先进的无迹卡尔曼滤波方法对雷达测得的初始弹道轨迹进行滤波,再基于一种先进的炮弹运动轨迹模型,利用四阶龙格-库塔方程进行外推。仿真实验结果表明,相比于其它2种较为经典的弹道外推算法,该算法定位精度大大提高。